소개: 기초 모델 시대에 Pathological AI
암 진단을 위한 "kind standard"이며, 전체 슬라이스 디지털 이미징 (WSI) 기술의 성숙은 병리를 디지털화 할 수 있습니다. 그러나 WSI 기가 픽셀 해상도와 복잡한 조직 구조가 효과적으로 처리하기 어려운 전통적인 CNN 모델을 만듭니다. 2025-2026에서 병리학 WSI AI는 "기본 모델"시대에 입력했습니다. (Nature Communications 2025) 및 TITAN (Nature Medicine 2025) 멀티 모티브 자기 학습을 통해 97"의 기본 모델에 대한 미션을 수행했습니다.
Long Salang Langhui 정보 기술 주식 회사는 5백만개의 다 조직 병리학 WSI 자료 세트로 이 과학 기술 돌파구를 지원합니다. 이 자료 세트는 DITC VL 구멍 활주 Microscopy 이미지 기준에, 덮는 HeE 염료, IHC 단청 상표/다공성 및 특별한 염료, 다 조직 관 스펙트럼 적용에서 저장되고, 기본적인 병리 모형에 있는 훈련을 위한 중요한 자료 자원입니다.
경로를 분석하는 것은 AI의 근본적인 모델링은 멀리 떨어져 있습니다. 전통적인 모델에서, 각 암 유형은 분리 된 훈련 모델이 필요합니다. 폐암 모델, 모유 암 모델, 위장 암 모델 - 비용이 많이 들고 일반화하기 어려운 모델의 개발에 이끌. 기본 모델은 다양한 데이터에서 사전 훈련함으로써 병리적 AI 개발 및 배포의 비용을 크게 줄일 수 있습니다.
업계의 현재 국가 : 병리학 밑창 모델의 글로벌 경쟁
2025-2026년, "기본 모델 대회"는 여러 최고 연구 팀과 회사들이 자신의 병리 기반 모델을 출판하는 병리학 WSI AI 분야에서 시작되었습니다.
mSTAR (Multimodal Self-Taught Pretraining)은 12 월 2025에서 Nature Commission에 의해 출판되었으며, WSI, 병리 보고서 및 유전 표현에 세 가지 모듈 데이터를 통합하여 26,169 슬라이드 레벨 모델 쌍, 32 암 유형 및 116 백만 개의 포대를 사용하여 26169 슬라이드 레벨 모델 쌍을 사용하여 통합합니다. 크로스-97 종양학 기본 임무의 성능은 우수하며 21 병리 진단 데이터 세트의 18 임무에서 먼저 순위를 매기고, MacroAUC는 평균이 1.37 % 증가했습니다.
2025년 Nature Medicine에 의해 출판된 TITAN은 자체 학습 및 시각적 인 정렬의 시각 감독을 통해 "Aided Diagnostic"에서 "Autonomous Diagnostic"의 병리적 인 AI의 진화의 중요한 지표이며 335,645 WSI의 비주얼 인 정렬뿐만 아니라 병리적 인 진단의 생산을위한 것입니다.
2월 2026일 Nature는 CYBO-Clinical Autocell Pathology Platform을 발표했으며, 실시간 광학 전체 슬라이스 dialysis 및 마진 계산을 결합하여 셀 레벨 분류 및 그룹 변형 분석을 달성했습니다. 이것은 "연구 검증"에서 "의료 자율"로 이동하기위한 Pathology AI의 이정표입니다.
또한 HSFLA 모델 (npj Digital Medicine 2026)는 1161 WSIs의 95.6 % (손으로)의 정확도 비율을 달성했으며 침수 지역의 자동 마킹은 인공 픽셀과 86.6 %로 일관되었습니다. Prov-GigaPath 시리즈 (Nature 2024, arXiv 2026)는 GigaPath 플래시 및 기가 타임과 같은 고착성 소각을 도입했습니다.
시장 규모에서 글로벌 디지털 병리 시장은 2026 년 1 억 달러를 초과 할 것으로 예상되며 AI 보조 진단이 가장 빠르게 성장하는 지역입니다. 중국의 병리학의 부족 (백만 인구 당 3-4 의 연구원, 개발 국가에서 8-10 미만)은 급성이며, 병리학 AI의 필요는 특히 급성입니다.
2026 프론트 라인 스루 : 여러 모델, 자기 학습 및보고 세대
병리 WSI AI 2025-2026의 핵심 돌파는 4 가지 방법으로 있습니다.
MSTAR의 혁신은 WSI 이미지, 병리적 인 보고서 텍스트 및 유전 표현 데이터의 세 모자이크의 통합입니다. 이 다모콘 융합은 모델이 병리적 인 이미지를 읽을 수 있지만 병리적 인 보고서와 이해 유전 정보를 읽을 수 있으며 병리적 인 진단의 다차원 종합을 달성 할 수 있습니다. 21 벤치 마크 작업의 8een은 멀티 모드 학습의 우월성을 입증합니다.
두 번째는 자기 감독 / 자기 차폐입니다. TITAN은 335,645 WSI를 통해 자기 감독되고 수동 라벨링없이 병리 이미지의 보편적 인 특성을 배울 수 있습니다. 이 돌파는 라벨 데이터에 크게 의존하여 비고 적층 데이터의 큰 양을 사용할 수 있습니다.
세 번째는 보고서를 생산하는 능력입니다. TITAN은 병리학 진단뿐만 아니라 구조적 병리학 보고서를 제작합니다. AI는 경로를 연구하고 진단하는 "Physician Assistant"에 "Classer"에서 "Physician Assistant"에 대한 예비 보고서를 자동으로 생성 할 수 있다는 것을 의미합니다.
네 번째는 임상 자율성 플랫폼입니다. CYBO 플랫폼은 2026 년 Nature가 발표 한 "Sampling in and out of" 자율성 세포 병리 과정을 통해 광학의 전체 스펙트럼을 계산하여 광학의 전체 스펙트럼을 측정하여 가장자리에 이르기까지 달성했습니다. "소비자"에서 "autonomy"로 병리학의 품질 변화입니다.
Longway Technology의 5 백만 WSI 데이터 세트는이 프론트어 연구에 대한 주요 지원을 제공합니다. 데이터 세트는 다양한 유형의 HeE, IHC 및 특수 염료를 포함한 다 조직 스펙트럼 시스템을 커버하고 원래 Level-0 데이터와 모든 피라미드 레벨을 유지합니다. 각 슬라이스는 병리적 진단 보고서에 연결되며 슬라이스, 케이스, ROI 및 세포 수준의 멀티 레벨 라벨을 지원합니다.
Longhui 기술 자료 세트: 5백만개의 조각의 systematization
Longhui Tech Multiorgan Pathology WSI 이미지 자료 세트는, 5백만개의 조각의 크기로, 기본적인 병리 모형에 있는 훈련을 지원하는 중요한 자료 자원입니다.
데이터 수집의 관점에서 모든 조각은 Sanchae 병원의 한 병리 섹션에서 파생되며 DITC VL Hole Slide Microscopy Image 표준에 우선권을 부여하고 원본과 OME-TIFF/BigTIFF 6.3.1 상호 운용성을 보존하면서도, 레벨-0 원료 및 모든 피라미드 레벨, 초점 비행기/광각 채널 및 메타데이터를 유지하고 있습니다. 모든 조각은 20 배 + 스캐닝 멀티 플라이어에 따라 달라질 수 있습니다.
염료 유형의 경우, 주요 물질은 HE 염료입니다; IHC 모노/다 상표 항체 층; 유형에 의하여 특별한 염료; 얼고/파피닌 층. 이 층 디자인은 다른 염료의 조직 특성을 배우기 위하여 모형을 가능하게 하고 다 크롬 합동 학습을 지원합니다.
적용 측면에서 다 조직 스펙트럼 시스템은 단일 암 또는 단일 염료 소스에 의해 과향을 피하는 데 적용됩니다.
표시의 체계에서, 각 조각은 병리학적인 진단 보고에 연결되고, TNM 단계, immunisation 결과를 포함합니다. 지원은 다른 수준에 이용되지 않는 조각, 케이스, ROI 및 세포 수준의 다 수준 상표에 주어집니다.
품질 관리 측면에서, 3 층의 프로세스는 병원 + 부과 이사의 첫 번째 표준을 사용하여 제어하고 전문가가 + 적합 평가를 검토하는 데 사용됩니다.
준수 측면에서 모든 슬라이스는 소스와 PHI 필드에서 합법적으로 허가되어 완전히 탈감됩니다.
앞으로의 관점: 중국 ' 병리학 기초 모형에 경로
병리학의 미래 개발 WSI AI는 세 가지 경로에 따라합니다.
첫 번째는 기본 모델의 연속 확장입니다. mSTAR는 현재 26,169 모델 쌍과 116 백만 패치를 사용하지만, 이것은 여전히 매년 전 세계적으로 생산 된 병리 조각의 10 만 개에 비해 작습니다. 더 크고 다양한 사전 훈련 데이터는 기본 모델의 성능을 향상시킬 것입니다.
두 번째는 중국 인구의 적응입니다. 유럽과 미국과 달리, 일반적인 암이 확산되는 (예 : 간, 위 및 식도 암은 더 많은 동등), 유럽의 데이터 교육에 기반한 모델과 미국은이 암을 파괴 할 수 있습니다.
세 번째는 임상 자율성입니다. "자동 진단"에 "진동 진단"은 병리 AI의 궁극적 인 목표입니다. CYBO 플랫폼의 자율성 세포질 과정 (Nature 2026)이 방향을 예측합니다. Longhui 기술의 데이터 세트는 자율 진단 모델에서 훈련을위한 구조 라벨을 제공하는 다중 레벨 라벨링 및 병리적보고에 의해 연결됩니다.
태그: 기본 모델 연령에 대한 병리적 데이터 전략
"single-task CNN"에서 "multi-modular base model"의 병리학 WSI AI의 이동은 기본 모델 연령대의 대규모 다양성 데이터의 결정적인 역할을 드러냈습니다. mSTAR와 TITAN의 성공은 데이터 크기, 모델 다양성 및 표시 깊이가 세 가지 기둥의 모델 성능이 입증되었습니다.
Long Shara'i Information Technology Ltd는 5 백만 개 이상의 기관 병리 WSI 데이터 세트를 기반으로하며 병리 기본 모델 연령에 중요한 데이터 서비스 제공 업체가됩니다. 자연과 자연 의학 수준이 병리학 AI의 재 엔지니어링을 통해 깨어나면 오랫동안 Slu의 기술은 고품질의 데이터와 병리학 진단의 자율적 출시를 계속 구동 할 것입니다.
경로를 위한 데이터 전략 AI 기본 모델 연령
2026년 미션별 모델부터 기본 모델 모델 모델까지 기본 이동으로 만들어진 병리 AI. mSTAR와 TITAN과 같은 기본 모델은 대규모 전 훈련이 일반 병리학에서 배운 것을 입증했으며, 여러 진단 임무를 가진 미세 조정 하류로 데이터 라벨링 비용과 모델링 개발 임계값을 크게 줄였습니다. 이 이동은 단일 장애, 단일 테이프 표시 데이터 세트를 넘어 새로운 데이터 요구 사항을 도입했지만, 광범위한 다중 병리학을 기반으로 한 다중 병리학 이미지를 제공합니다.
업계 경쟁 측면에서, 병리적 AI 기본 모델의 경쟁은 데이터 크기에 대한 경쟁입니다. Paiga 및 PathAI와 같은 국제 거인은 WSI의 사전 훈련 데이터의 수백만을 축적했으며, 중국은 여전히이 지역의 초기 단계에서입니다.